11344 artículos
El artículo presenta FuseDiff, un modelo de difusión de extremo a extremo que genera de forma conjunta un ligando y sus dos poses de unión específicas para un diseño de fármacos de doble objetivo simétrico y topológicamente consistente, superando las limitaciones de los enfoques existentes mediante una fusión de contexto local dual y logrando un rendimiento superior en el acoplamiento molecular.
Este artículo propone un método de reglas de tratamiento individualizado robusto (PDRO-ITR) que integra datos de múltiples fuentes para maximizar el valor de la política en el peor caso bajo desplazamiento posterior, demostrando mediante simulaciones y aplicaciones reales un rendimiento superior frente a enfoques existentes.
Este estudio presenta un pipeline de aprendizaje automático explicable que integra datos transcriptómicos de sangre y líquido cefalorraquídeo para identificar genes clave y vías biológicas, como la activación inmune y la regulación del virus de Epstein-Barr, que mejoran la comprensión de la patogénesis de la esclerosis múltiple y proponen nuevos biomarcadores.
Este artículo utiliza una perspectiva de control algebraico de Lie para demostrar teóricamente que la profundidad de los modelos de secuencia paralelizables es fundamental para su expresividad, ya que reduce el error de aproximación de forma exponencial al corresponderse con torres de extensiones de álgebras de Lie, lo cual se valida mediante experimentos en problemas de seguimiento de estados.
Este artículo presenta un método de inferencia condicional que combina la localización basada en kernels con predicciones de aprendizaje automático para estimar funcionales condicionales en escenarios con pocos datos etiquetados, logrando intervalos de confianza más precisos sin sacrificar la validez estadística.
El artículo presenta DKSD-AE, un autoencoder estructurado que utiliza un operador de Koopman y normalización de instancia para desentrelazar dinámicamente las características del hablante del contenido lingüístico, logrando una verificación de voz competitiva y escalable sin necesidad de supervisión textual ni grandes modelos preentrenados.
Este artículo presenta un marco híbrido novedoso que combina heurísticas específicas del ferrocarril con aprendizaje por refuerzo (Q-learning) para optimizar eficientemente la clasificación de vagones en patios ferroviarios, abordando tanto configuraciones de acceso unilateral como bilateral mediante la descomposición del problema y la reducción del espacio de estados.
Este estudio presenta un marco híbrido de GeoAI que integra MGWR, Random Forest y ST-GCN para modelar con alta precisión la heterogeneidad espaciotemporal de los flujos de tráfico multimodal y su interacción con el uso del suelo, demostrando su superioridad frente a modelos convencionales y ofreciendo una herramienta interpretable para la planificación urbana basada en evidencia.
Este trabajo presenta BISE, una estrategia que identifica y extrae subredes libres de sesgo de modelos preentrenados convencionales mediante poda, logrando mitigar los sesgos algorítmicos sin necesidad de reentrenamiento ni datos adicionales.
El artículo demuestra que preentrenar el tokenizador con un objetivo de autoencoder antes de entrenar el modelo de dinámica mejora significativamente la eficiencia y precisión de los modelos fundacionales de física, especialmente cuando el preentrenamiento se realiza en el mismo sistema físico que la tarea final.
Este trabajo presenta el primer marco de verificación de robustez acoplada para detectores de keypoints basados en mapas de calor, que mediante un programa lineal entero mixto garantiza la robustez conjunta de todas las keypoints al considerar sus interdependencias, superando así las limitaciones conservadoras de los métodos decoupled anteriores.
El artículo presenta behavior-dLDS, un modelo de sistemas dinámicos lineales descompuestos que permite disociar las dinámicas neuronales relacionadas con el comportamiento de las computaciones internas en grandes poblaciones de neuronas, demostrando su eficacia tanto en datos simulados como en grabaciones a gran escala de un pez cebra.
El artículo presenta RACAS, un sistema agente basado en modelos de lenguaje que permite controlar robots de diversas plataformas mediante instrucciones en lenguaje natural sin necesidad de reentrenamiento ni modificaciones de código, demostrando su eficacia en robots terrestres, articulados y submarinos.
Este artículo presenta un marco de trabajo para identificar las características del atacante a partir de un ataque observado en sistemas de aprendizaje automático, demostrando que, aunque el atacante no es identificable sin información adicional, este enfoque permite seleccionar al atacante más probable para mejorar las estrategias de defensa tanto exógenas como intrínsecas.
Este artículo propone el FID interpolado (iFID), una métrica sencilla que interpola las representaciones latentes de un VAE y su vecino más cercano, logrando por primera vez una fuerte correlación con el FID de generación de modelos de difusión, a diferencia del FID de reconstrucción tradicional.
Este artículo propone el Recuento de Errores Implícito (IEC), un método de aprendizaje por refuerzo sin referencias que enumera y penaliza errores específicos en lugar de depender de rúbricas basadas en respuestas ideales, logrando así un rendimiento superior en la tarea de probador virtual donde existen múltiples soluciones válidas.
Este artículo demuestra que integrar representaciones vectoriales de un grafo de conocimiento, construido con datos dentro y fuera de la cancha, mejora significativamente la precisión de los modelos de aprendizaje automático para predecir los salarios de los jugadores de la NBA, especialmente en casos donde los enfoques tabulares tradicionales fallan.
Este artículo presenta un enfoque de aprendizaje por refuerzo que, mediante una función de recompensa probabilística y un espacio de estados diseñado, descubre configuraciones de redes eléctricas con un número de soluciones de flujo de potencia significativamente mayor que el promedio, superando las limitaciones de los algoritmos algebraicos actuales.
Este artículo demuestra que, mediante regresión de crestas con características aleatorias, un modelo fuerte entrenado con etiquetas imperfectas de un modelo débil puede superar sustancialmente las leyes de escalado de este último, alcanzando incluso tasas óptimas minimax independientemente del rendimiento del profesor.
Este artículo analiza las estrategias de paralelización para la implementación de modelos de lenguaje grandes (LLM) densos, demostrando que la paralelización tensorial optimiza la latencia mientras que la paralelización de pipeline mejora el rendimiento, permitiendo mediante su combinación un control efectivo sobre el equilibrio entre ambos factores.